Realistic noise synthesis reduces bias and improves tissue microstructure estimation with supervised machine learning

기술 요약: dMRI의 편향 없는 미세구조 추정을 위한 현실적인 노이즈 합성

문제 정의
확산 MRI(dMRI)는 조직의 미세구조를 비침습적으로 탐사할 수 있게 해주지만, 정확한 파라미터 추정은 빈번하게 노이즈 관련 효과에 의해 저해된다. 체계적 편향(systematic bias)을 유발하는 주요 원인 중 하나는 크기 재구성된(magnitude-reconstructed) MR 데이터의 비자명한 노이즈 특성에서 기인한다. 구체적으로, 크기 재구성은 평균이 0인 복소 가우시안 노이즈를 리시안(Rician) 분포로 변환시키며, 이로 인해 기대 신호값이 실제 기저 신호 진폭으로부터 벗어나게 된다. 이는 특히 낮은 신호 대 잡음비(SNR)에서 두드러진다. 또한, MPPCA(Marcheno–Pastur Principal Component Analysis)를 통한 디노이징과 같은 표준 전처리 단계는 유효 노이즈 분산을 변화시키며, 종종 평균이 이동하고 표준 편차가 감소된 가우시안 근사 신호를 생성한다.

감독 학습(supervised machine learning, ML) 프레임워크에서는 시뮬레이션된 훈련 데이터를 사용하여 신호로부터 미세구조 파라미터로의 매핑을 학습하는데, 이때 시뮬레이션된 훈련 데이터의 노이즈 특성이 획득된 실험 신호와 일치하지 않을 때 "공변량 변화(covariate shift)"가 발생한다. 만약 훈련 데이터가 magnitude-유도 편향과 후처리 분산을 무시한 채 노이즈가 없는 신호나 단순화된 노이즈 모델을 사용하여 생성된다면, 결과적인 추정치는 SNR에 의존적인 체계적 편향을 보이며, 특히 높은 b-값이나 높은 공간 해상도와 관련된 저(low)-SNR 영역에서 일반화 성능이 저하된다.

방법론
저자들은 시뮬레이션된 훈련 데이터의 통계적 특성을 실험적 추론 신호와 일치시키기 위해 설계된 현실적인 노이즈 합성(Realistic Noise Synthesis, RNS) 프레임을 제안한다. 이 2단계 데이터 조건부 접근 방식은 magnitude-유도 편향과 유효 후처리 노이즈 분산을 모두 모델링한다:

1. 0단계: 경험적 노이즈 추정: 프레임워크는 원시 데이터(예: MPPCA 사용)로부터 복셀 단위의 열 노이즈 표준 편차($\sigma$)를 추정하고, 전처리된 데이터의 구형 조화 함수(spherical harmonic, SH) 적합 잔차로부터 유효 후처리 노이즘 표준 편차($\sigma^*$)를 추정한다. 이 값들은 샘플링을 위한 경험적 분포를 형성하기 위해 집계된다.
2. 1단계: Magnitude-유도 편향 주입: 주어진 노이즈 없는 신호 $S$에 대해, 프레임워크는 추정된 열 노이즈 $\sigma$를 사용하여 그에 대응하는 리시안 분포의 기댓값 $\mu_R(S, \sigma)$를 계산한다. 이는 노이즈 없는 신호를 magnitude 데이터에서 관찰되는 편향된 기댓값으로 대체한다.
3. 2단계: 유효 노이즈 주입: 리시안 편향이 적용된 신호에 표준 편차 $\sigma^*$를 갖는 평균이 0인 가우시안 노이즈를 더한다. 이는 신호 의존적 평균 이동을 유지하면서 디노이징 후 관찰되는 감소된 분산을 포착한다.

이 프레임워크는 두 가지 생물물리학적 모델인 2-컴파트먼트 실린더-제플린(cylinder-zeppelin) 모델과 Soma 및 Neurite Density Imaging (SANDI) 모델을 사용하여 평가되었다. 실험에는 다양한 SNR 수준의 시뮬레이션 데이터셋과 반복 획득 데이터(Manzano Patrón 등) 및 초고경사 구배 획득 데이터(Connectom)가 활용되었다. RNS로 훈련된 추정기(Bootstrap Aggregating 및 Multi-Layer Perceptron 회귀 모델 사용)의 성능을 노이즈를 고려한 비선형 최소제곱법(NLLS) 피팅 및 단순화된 노이즈 모델(리시안 오프셋만 고려하거나 가우시안 노이즈만 고려)로 훈련된 베이스라인 ML 추정기와 비교하였다.

주요 결과

• 편향 감소: magnitude-유도 효과를 무시한 신호(Estimator 2b)로 훈련했을 때는 저(low)-SNR에서 특히 SNR에 의존적인 체계적 편향이 발생했다. 리시안 기댓값을 포함하는 것(Estimators 1, 2a, 2c, 2d)은 이 편향을 노이즈를 고려한 NLLS 피팅과 유사한 수준으로 실질적으로 감소시켰다.
• 정밀도 향 향상: 훈련 중에 유효 표준 편차($\sigma^*$)를 추가로 모델링하는 것(Estimators 2c 및 2d)은 리시안 평균만을 고려한 모델에 비해 잔차의 표준 편차를 줄임으로써 추정치의 정밀도를 더욱 개선했다.
• 아키텍처에 대한 강건성: 성능 향상은 회귀 아키텍처와 무관하게 나타났다. Bootstrap Aggregating(BR)과 Multi-Layer Perceptron(MLP) 회귀 모델 모두 RNS 프레임을 통해 훈련되었을 때 유사한 개선을 보여, 특정 네트워크 토폴로지보다 노이즈 모델링 전략이 지배적인 요소임을 입증했다.
• 노이즈 추정에 대한 민감도: 본 연구는 방법론이 정확한 노이즈 추정에 민감하다는 것을 발견했다. 노이즈 표준 편차를 잘못 추정할 경우(심지어 $\pm 10\%$에서 $20\%$ 차이 발생 시) 복원된 파라미터에 체계적 편향이 유입되었다. 노이즈를 과소 추정하면 신호 분율(signal fraction)이 과대 추정되었고, 과대 추정하면 과소 추정되었다.
• In Vivo 검증: 낮은 SNR(0.9 mm³) 해상도의 in vivo 데이터에서, RNS로 훈련된 추정기는 베이스라인 방법들에 비해 백질-회백질 대비를 보존하면서도 신호 분율의 겉보기 과대 추정을 줄인 더 안정적인 파라미터 맵을 생성했다. 높은 b-값에서의 SANDI 모델에서도 유사한 개선이 관찰되었다.

의의 및 주장
본 논문은 시뮬레이션된 훈련 데이터에 현실적인 노이즈 통계를 모델링하는 것이 dMRI에서 편향 없는 감독 학습 미세구조 추정을 위해 필수적이라고 주장한다. 제안된 RNS 프레임워크는 훈련 신호의 평균과 분산을 추론 데이터와 일치시킴으로써 신호 도메인의 공변량 변화를 명시적으로 해결하며, 이를 통해 전형적인 저(low)-SNR 영역의 체계적 편향을 완화한다.

저자들은 감독 학습(ML)이 NLLS에 비해 더 높은 편향을 보이는 이유가 샘플링 전략 때문이라는 기존의 견해를 재검토할 필요가 있다고 주장한다. 그들의 결과는 훈련 분포가 실험 조건과 통계적으로 일치할 때, 감독 학습 추정기가 고전적인 NLLS의 편향 성능과 대등한 수준에 도달할 수 있음을 보여주기 때문이다. 이 연구는 파라미터 분포 설계도 중요하지만, 특히 도전적인 획득 조건 하에서 작동하는 고급 미세구조 모델의 경우, 입력 신호 분포(특히 magnitude-유도 편향 및 유효 노이즈 분산)를 정확하게 모델링하는 것이 견고하고 편향 없는 추론을 위한 결정적인 전제 조건임을 강조한다.